一种预测区域用户负荷量的方法及装置制造方法及图纸

本申请提供一种预测区域用户负荷量的方法及装置。本申请的方法包括：获取待预测区域内的用户数据；待预测区域内的用户数据，从多个用电类型中确定待预测用户的用电类型；根据待预测用户的用电类型，以及各用电类型分别对应的负荷预测概率模型，确定目标负荷预测概率模型；将待预测用户的天气数据和待预测用户的日期数据，输入目标负荷预测概率模型，得到目标负荷预测概率模型的输出结果；根据输出结果，确定待预测用户的预测用电负荷量；根据待预测区域内所有待预测用户的预测用电负荷量，确定待预测区域的总预测用电负荷量。本申请针对不同的用电类型匹配不同的负荷预测概率模型，可以提高用电负荷量预测的精准性。

【技术实现步骤摘要】
一种预测区域用户负荷量的方法及装置
本申请涉及电力
，特别涉及一种预测区域用户负荷量的方法及装置。
技术介绍
随着电力行业的不断发展，电力公司逐渐向综合能源服务方向进行转变，精细化的用户用电管理模式逐渐替代了粗放式的用户用电管理模式。目前，精细化的用户用电管理模式主要通过负荷预测概率建模的方法实现，电力公司通过负荷预测概率建模，预测整个区域内用户用电负荷总量，进行下一个时间段的供电量调节，从而实现精细化的用户用电管理模式。但是，现有技术在进行负荷预测概率建模时，是将一个区域内所有用户建立在同一个模型下，当数据量较大时，覆盖的用户类型较多，用同一个模型预测不同类型用户的用电量，容易导致个体用户预测精度偏低，进而使得预测得到的整体区域的用电负荷总量存在较大的波动性。举个例子，某区域内用户总量是10万，现有技术就会针对这10万个用户统一建立一个模型，但是，这10万个用户可能涉及工业用户和住宅用户，工业用户的用电量与住宅用户的用电量之间显然会很大的差距，如果利用同一个模型进行负荷预测，该模型很难与整个区域内各种类型用户的用电情况实现良好匹本文档来自技高网...

【技术保护点】
1.一种预测区域用户负荷量的方法，其特征在于，所述方法包括：/n获取待预测区域内的用户数据；所述用户数据包括待预测用户的典型用电模式、待预测用户的用电行为信息熵、待预测用户的画像特征、待预测用户的天气数据和待预测用户的日期数据；/n根据所述待预测用户的典型用电模式、所述待预测用户的用电行为信息熵、所述待预测用户的画像特征，从多个用电类型中确定待预测用户的用电类型；所述多个用电类型是根据样本用户的典型用电模式、样本用户的用电行为信息熵和样本用户的画像特征确定的；/n根据所述待预测用户的用电类型，以及各用电类型分别对应的负荷预测概率模型，确定目标负荷预测概率模型；第一负荷预测概率模型是根据第一样本...

【技术特征摘要】
1.一种预测区域用户负荷量的方法，其特征在于，所述方法包括：
获取待预测区域内的用户数据；所述用户数据包括待预测用户的典型用电模式、待预测用户的用电行为信息熵、待预测用户的画像特征、待预测用户的天气数据和待预测用户的日期数据；
根据所述待预测用户的典型用电模式、所述待预测用户的用电行为信息熵、所述待预测用户的画像特征，从多个用电类型中确定待预测用户的用电类型；所述多个用电类型是根据样本用户的典型用电模式、样本用户的用电行为信息熵和样本用户的画像特征确定的；
根据所述待预测用户的用电类型，以及各用电类型分别对应的负荷预测概率模型，确定目标负荷预测概率模型；第一负荷预测概率模型是根据第一样本用户的天气数据、第一样本用户的日期数据和第一样本用户的实际用电负荷量数据建立的；所述第一负荷预测概率模型是第一用电类型对应的负荷预测概率模型；所述第一用电类型是各用电类型中任意一个类型；所述第一样本用户是符合所述第一用电类型的样本用户；
将待预测用户的天气数据和待预测用户的日期数据，输入所述目标负荷预测概率模型，得到所述目标负荷预测概率模型的输出结果；
根据所述输出结果，确定所述待预测用户的预测用电负荷量；
根据所述待预测区域内所有待预测用户的预测用电负荷量，确定所述待预测区域的总预测用电负荷量。


2.根据权利要求1所述的方法，其特征在于，所述第一用电类型对应的负荷预测概率模型具体采用以下方式建立：
将所述第一样本用户的用户数据划分为第一训练数据集、第二训练数据集和测试数据集；所述第一训练数据集包括第一训练样本用户的天气数据、第一训练样本用户的日期数据和第一训练样本用户的实际用电负荷量数据；所述第二训练数据集包括第二训练样本用户的天气数据、第二训练样本用户的日期数据和第二训练样本用户的实际用电负荷量数据；所述测试数据集包括测试样本用户的天气数据、测试样本用户的日期数据和测试样本用户的实际用电负荷量数据；
根据所述第一训练样本用户的天气数据、所述第一训练样本用户的日期数据和所述第一训练样本用户的实际用电负荷量数据，对预设的点预测模型进行训练，得到训练后的点预测模型；
将所述第二训练样本用户的天气数据和所述第二训练样本用户的日期数据，输入所述训练后的点预测模型，得到第二训练样本用户的预测用电负荷量数据；
将所述第二训练样本用户的实际用电负荷量数据与第二训练样本用户的预测用电负荷量数据的差值，作为第二训练样本用户的残差；
根据所述第二训练样本用户的天气数据、所述第二训练样本用户的日期数据、所述第二训练样本用户的预测用电负荷量数据和所述第二训练样本用户的残差，对预设的条件残差预测模型进行训练，得到训练后的条件残差预测模型；
将所述测试样本用户的天气数据和所述测试样本用户的日期数据，输入所述训练后的点预测模型，得到测试样本用户的预测用电负荷量数据；
将所述测试样本用户的天气数据、所述测试样本用户的日期数据以及所述测试样本用户的预测用电负荷量数据，输入所述训练后的条件残差预测模型，得到测试样本用户的残差；
将所述测试样本用户的预测用电负荷量数据与所述测试样本用户的残差所对应的差值，作为测试样本用户的预测用电负荷量；
如果所述测试样本用户的预测用电负荷量和所述测试样本用户的实际用电负荷量数据之间的差值小于预设阈值，则将所述训练后的点预测模型和所述训练后的条件残差预测模型确定为所述第一用电类型对应的负荷预测概率模型。


3.根据权利要求1所述的方法，其特征在于，所述多个用电类型具体通过以下方式确定：
将所述样本用户数据随机分为多个初始数据集；
针对每个初始数据集，根据所述初始数据集中样本用户的典型用电模式、样本用户的用电行为信息熵和样本用户的画像特征，使用局部聚类模型对样本用户进行局部聚类，得到多个子用电类型；
利用全局聚类模型将所述多个初始数据集分别对应的子用电类型进行全局聚类，得到所述多个用电类型。


4.根据权利要求1所述的方法，其特征在于，所述待预测用户的典型用电模式具体通过以下方式确定：
获取待预测用户的多种历史用电模式，以及每种历史用电模式的出现次数；
根据所述每种历史用电模式的出现次数以及所有历史用电模式的总出现次数，确定每种历史用电模式的占比；
将占比最高的历史用电模式确定为所述待预测用户的典型用电模式。


5.根据权利要求1所述的方法，其特征在于，所述待预测用户的画像特征具体通过以下方式确定：
采集待预测用户的问卷信息；所述问卷信息包括用户基本属性、用户用电习惯属性、用户住房属性和用户家庭设备配置属性中的至少一项；
将所述待预测用户的问卷信息进行离散化、归一化和编码化处理，得到所述待预测用户的画像特征。


6.一种预测区域用户负...

【专利技术属性】
技术研发人员：王凌谊，王志敏，顾洁，陈宇，李静涛，张秀钊，刘明伟，刘娟，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：云南;53